joelniklaus/german_argument_mining

该数据集是一个德语法律判决语料库，包含了200个随机选择的判决，并由法律专家对这些判决中的结论、定义和归因等部分进行了标注。数据集主要用于多类文本分类任务，特别是论点挖掘。数据集的创建目的是为了提供一个公开可用的德语法律文本语料库，标注的内容包括德国法律写作风格Urteilsstil的组成部分。数据集的语言为德语，源自巴伐利亚的法院。数据集的创建过程包括从巴伐利亚州的法院网站爬取数据，并由法律专家进行标注。数据集的结构包括元数据文件和句子分类文件，元数据文件包含了每个法院的详细信息，句子分类文件则包含了每个句子的分类标签。数据集被随机分为训练集、验证集和测试集，并提供了每个类别的分布情况。

This dataset is a German legal judgment corpus comprising 200 randomly selected judgments, where key segments including conclusions, definitions and attributions have been annotated by legal experts. It is primarily designed for multi-class text classification tasks, especially argument mining. The dataset was developed to offer a publicly accessible German legal text corpus, with annotations covering components of the German legal writing style *Urteilsstil*. The corpus is in German and sourced from Bavarian state courts. The dataset construction process involved scraping data from the official websites of Bavarian state courts, followed by manual annotation performed by legal experts. The dataset structure consists of metadata files and sentence classification files: metadata files contain detailed information for each court, while sentence classification files hold classification labels for each individual sentence. The dataset is randomly partitioned into training, validation and test sets, with the class distribution for each category provided alongside the dataset.

原始信息汇总

数据集概述

数据集名称

• 名称: Annotated German Legal Decision Corpus
• 别名: 德国法律判决标注语料库

数据集属性

• 语言: 德语 (de)
• 许可证: Creative Commons Attribution 4.0 International (cc-by-4.0)
• 多语言性: 单语种
• 大小: 10,000 < n < 100,000
• 来源: 原始数据
• 任务类别: 文本分类
• 任务ID: 多类分类

数据集内容

• 描述: 该数据集包含200个随机选择的判决，由法律专家标注了德国法律写作风格Urteilsstil的组成部分：结论、定义和涵摄。
• 数据量: 总计25,075个句子被标注，其中5%为结论，21%为定义，53%为涵摄，剩余21%为其他。
• 数据来源: 来自22个法院，主要来自VG Augsburg、VG Ansbach和LSG Munich。
• 时间范围: 主要集中在2016年至2019年，无2020年的判决。

数据集结构

• 数据实例: 每个句子作为json对象存储在train.jsonl, validation.jsonl, 或 test.jsonl文件中。
• 数据字段: 包括file_number, input_sentence, label, context_before, context_after等。
• 数据分割: 随机分割为80%训练集，10%验证集，10%测试集。

数据集创建

• 标注理由: 创建一个公开的德国法律文本语料库，包含由法律专家标注的判决。
• 源数据: 来自www.gesetze-bayern.de网站的判决，由C.H.BECK处理，包括匿名化、关键词化和添加编辑指南。
• 标注者: 一位持有法律国家考试第一阶段资格的法律专家。

使用考虑

• 数据处理: 使用SoMaJo Sentence Splitter，存在部分分割不准确的情况。

附加信息

• 数据集维护者: Joel Niklaus和Veton Matoshi。
• 贡献者: @kapllan 和 @joelniklaus。